知识卡片
价值迭代直接做最优回推
每轮由当前 V 计算所有可行动作的奖励加折扣后继期望,并取最大的写回。反复更新后可从最优价值贪婪地读出策略。理论式仍需要模型,源文所谓“不知道”在给出的演算中体现为不知道终点位置或最优更新顺序。
关联:[[策略迭代交替评估改进]]。两种规划方式以不同频率交替估值和改进。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 3.3 价值迭代
原书出处 · 1 处
- 3.3 价值迭代 · 查看原书依据
迭代过程中产生的状态价值函数不一定对应一个策略
参考来源
- 位置:《强化学习入门:从原理到实践》第3章《3.3 价值迭代》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter19.xhtml`,body 子元素 15
- 结论依据:原文区分迭代的中间估值与具体策略的精确价值。
- 原始内容:迭代过程中产生的状态价值函数不一定对应一个策略